Automated Disentangling Analysis of Skin Colour for Lesion Images
تقترح هذه الورقة إطار عمل جديداً لفك تشابك لون البشرة يستخدم إزالة اللون العشوائية ومعالجة لاحقة محاذية للهندسة لتعلم فضاء كامن مهيكل لتوليد مجموعات بيانات متنوعة وعادلة لآفات الجلد، مما يؤدي إلى تحسين أداء نماذج تعلم الآلة عبر درجات لون البشرة وظروف التصوير المتفاوتة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك طبيب يحاول تشخيص حالة جلدية، مثل شامة أو طفح جلدي. لقد درست آلاف الصور لهذه الحالات، ولكن معظمها التُقط لأشخاص ذوي بشرة فاتحة، تحت أضواء استوديو ساطعة، وباستخدام كاميرات باهظة الثمن. الآن، تحاول استخدام معرفتك لتشخيص مريض ذي بشرة داكنة، تم تصويره في غرفة خافتة الإضاءة باستخدام هاتف ذكي. قد يخطئ التشخيص هنا. لماذا؟ لأن الكمبيوتر (وحتى العيون البشرية) يصاب بالارتباك عندما تختلط عوامل الإضاءة، والكاميرا، ولون البشرة معاً.
تقدم هذه الورقة البحثية أداة جديدة وذكية لفك هذا الاشتباك. فكر فيها كـ "مترجم لون البشرة" الذي يساعد الحواسيب على فهم الحالات الجلدية بإنصاف، بغض النظر عن هوية المريض أو كيفية التقاط الصورة.
إليك كيف يعمل الأمر، مقسماً إلى مفاهيم بسيطة:
١. المشكلة: "مخلوط" صور الجلد
تخيل صورة الجلد وكأنها مخلوط فواكه (سموذي).
- الفاكهة هي الحالة الجلدية الفعلية (الشامة أو الطفح الجلدي).
- الحليب هو لون بشرة الشخص الطبيعي.
- الإضاءة والكاميرا يشبهان السكر والآيس كريم المضافين إلى الخليط.
نماذج الذكاء الاصطناعي الحالية سيئة في فصل هذه المكونات. إذا تعلمت فقط من "مخلوطات الفراولة بالحليب" (بشرة فاتحة، ضوء ساطع)، فستصاب بالارتباك عندما ترى "مخلوط التوت الأزرق" (بشرة داكنة، ضوء خافت). ستعتقد أن لون المخلوط هو الفاكهة نفسها.
٢. الحل: "الخلاط السحري"
بنى المؤلفون نظاماً يعمل مثل خلاط سحري. يأخذ الصورة ويفصل المكونات مرة أخرى إلى أجزائها الأصلية:
- الشكل (الهندسة): يحتفظ بالخطوط العريضة للشامة وملمس الجلد.
- اللون (لون البشرة والإضاءة): يستخرج "النكهة" (لون البشرة المحدد وظروف الإضاءة) إلى قائمة منفصلة ومنظمة من الأرقام (فضاء كامن - latent space).
السر الخفي: "مزيل اللون العشوائي"
عادةً، لفصل اللون عن الشكل، يمكنك ببساطة تحويل الصورة إلى الأبيض والأسود. لكن المؤلفين أدركوا أن تحويل الأبيض والأسود البسيط هو بمثابة "غش"؛ فهو يترك خلفه آثاراً عن مدى دكنة البشرة (الظلال)، مما يربك الذكاء الاصطناعي.
بدلاً من ذلك، اخترعوا "مزيل لون عشوائي". تخيل أخذ صورة وتمريرها عبر مرشح (فلتر) يغير الألوان بطريقة غريبة وعشوائية، ولكنها متسقة في كل مرة. هذا يجبر الذكاء الاصطناعي على التوقف عن الاعتماد على أدلة "الداكن مقابل الفاتح" البسيطة، ويتعلم فعلياً ما هو لون البشرة الحقيقي دون غش.
٣. "شبكة الأمان": إصلاح الأخطاء
أحياناً، عندما تغير "النكهة" في مخلوط الفواكه، قد تغير "الفاكهة" بالخطأ أيضاً. على سبيل المثال، إذا غيرت لون البشرة، فقد يحول الذكاء الاصطناعي بالخطأ علامة حبر سوداء (مثل نقطة قلم استخدمها الطبيب) إلى لون غريب، أو يجعل الندبة تبدو مختلفة.
لإصلاح ذلك، أضافوا خطوة معالجة لاحقة محاذية للهندسة. فكر في هذا كـ "مدقق إملائي للصور". بعد أن يغير الذكاء الاصطناعي لون البشرة، تنظر هذه الخطوة إلى الصورة الأصلية. إذا رأت بقعة لم تتغير بشكل صحيح (مثل ندبة أو علامة قلم)، فإنها تقول: "انتظر، هذا لا ينتمي إلى لون البشرة؛ أعده إلى حالته الأصلية". هذا يضمن بقاء التفاصيل الطبية مثالية بينما يتغير لون البشرة.
٤. ماذا يمكننا أن نفعل بهذا؟
بمجرد أن يتعلم الذكاء الاصطناعي فصل هذه المكونات، يمكنه القيام بثلاثة أشياء مذهلة:
- آلة "ماذا لو" (الواقعات المضادة): يمكنك أن تسأل: "كيف ستبدو هذه الشامة لو كانت على شخص ذي بشرة داكنة؟" أو "ماذا لو التُقطت هذه الصورة تحت ضوء أصفر بدلاً من الأبيض؟" يمكن للذكاء الاصطناعي إنشاء إجابة واقعية. هذا أمر ضخم لـ التعليم الطبي، حيث يسمح للطلاب بالتدرب على مجموعة متنوعة من أنواع البشرة دون الحاجة إلى مرضى حقيقيين.
- فلتر "الإنصاف" (تعزيز البيانات): إذا كان لدى مستشفى صور لمرضى ذوي بشرة فاتحة فقط، يمكن لهذه الأداة توليد صور (وهمية ولكن واقعية) لمرضى ذوي بشرة داكنة لديهم نفس الحالات. هذا يخلق مجموعة تدريب متوازنة، مما يعلم الذكاء الاصطناعي أن يكون منصفاً للجميع.
- "الموحد" (التنميط): يمكنه أخذ صورة التُقطت في حمام مظلم و"تنميطها" لتبدو وكأنها التُقطت في عيادة مثالية. هذا يساعد المستشفيات المختلفة على مقارنة بياناتها دون الارتباك بسبب اختلاف الكاميرات.
الصورة الكبيرة
الهدف النهائي لهذا البحث هو العدالة الصحية.
في الوقت الحالي، غالباً ما تفشل أدوات اكتشاف سرطان الجلد لدى الأشخاص ذوي البشرة الداكنة لأنها لم تُدرب على بيانات متنوعة بما يكفي. توفر هذه الورقة طريقة لـ تخليق بيانات تدريب متنوعة وتنميط الصور تلقائياً. إنه يشبه منح كل طبيب مترجماً عالمياً يضمن أن التشخيص يعتمد على المرض، وليس على لون البشرة أو الإضاءة.
باختصار: لقد بنوا أداة تعلم الحواسيب رؤية الحالة، وليس مجرد اللون، مما يضمن حصول الجميع على تشخيص عادل ودقيق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.